論文の概要: Leveraging Natural Language Processing and Machine Learning for Evidence-Based Food Security Policy Decision-Making in Data-Scarce Making

• arxiv url: http://arxiv.org/abs/2603.20425v1
• Date: Fri, 20 Mar 2026 18:54:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.905209
• Title: Leveraging Natural Language Processing and Machine Learning for Evidence-Based Food Security Policy Decision-Making in Data-Scarce Making
• Title（参考訳）: 食品安全政策決定のための自然言語処理と機械学習の活用
• Authors: Karan Kumar Singh, Nikita Gajbhiye,
• Abstract要約: ZeroHungerAIは、極端なデータ不足下でのエビデンスベースの食品セキュリティポリシーモデリングのために設計されたフレームワークである。 システムは、構造化社会経済指標と、伝達学習に基づく DistilBERT アーキテクチャを用いた文脈的ポリシーテキスト埋め込みを組み合わせる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Food security policy formulation in data-scarce regions remains a critical challenge due to limited structured datasets, fragmented textual reports, and demographic bias in decision-making systems. This study proposes ZeroHungerAI, an integrated Natural Language Processing (NLP) and Machine Learning (ML) framework designed for evidence-based food security policy modeling under extreme data scarcity. The system combines structured socio-economic indicators with contextual policy text embeddings using a transfer learning based DistilBERT architecture. Experimental evaluation on a 1200-sample hybrid dataset across 25 districts demonstrates superior predictive performance, achieving 91 percent classification accuracy, 0.89 precision, 0.85 recall, and an F1 score of 0.86 under imbalanced conditions. Comparative analysis shows a 13 percent performance improvement over classical SVM and 17 percent over Logistic Regression models. Precision Recall evaluation confirms robust minority class detection (average precision around 0.88). Fairness aware optimization reduces demographic parity difference to 3 percent, ensuring equitable rural urban policy inference. The results validate that transformer based contextual learning significantly enhances policy intelligence in low resource governance environments, enabling scalable and bias aware hunger prediction systems.
• Abstract（参考訳）: データスカース領域における食品セキュリティポリシーの定式化は、限られた構造化データセット、断片化されたテキストレポート、意思決定システムにおける人口統計バイアスなど、依然として重要な課題である。 本研究では,極度のデータ不足下でのエビデンスに基づく食料安全保障政策モデリングを目的とした自然言語処理(NLP)と機械学習(ML)フレームワークであるZeroHungerAIを提案する。 このシステムは、構造化社会経済指標と、伝達学習に基づく DistilBERT アーキテクチャを用いた文脈的ポリシーテキスト埋め込みを組み合わせる。 25地区にわたる1200サンプルのハイブリッドデータセットの実験評価では、予測性能が優れており、分類精度は91%、精度は0.89、リコールは0.85、F1スコアは0.86である。 比較分析によると、従来のSVMよりも13%、ロジスティック回帰モデルより17%パフォーマンスが向上している。 高精度リコール評価は、ロバストなマイノリティクラス検出(平均精度約0.88)を確認する。 公平を意識した最適化は、人口比率の差を3%に減らし、公平な都市政策の推測を確実にする。 その結果、トランスフォーマーに基づく文脈学習は、低リソース管理環境におけるポリシーインテリジェンスを著しく向上させ、スケーラブルでバイアスに敏感な飢餓予測システムを実現することが実証された。

関連論文リスト

• A novel Information-Driven Strategy for Optimal Regression Assessment [3.602068950014566]
  機械学習(ML)では、回帰アルゴリズムはデータに基づく損失関数の最小化を目的としている。 グローバルな最適性の達成性を保証するデータ駆動評価手法は存在しない。 この研究は、回帰アルゴリズムを評価するための新しいデータ駆動フレームワークであるInformation Teacherを紹介する。
  論文  参考訳（メタデータ） (2025-10-16T02:01:32Z)
• NAIPv2: Debiased Pairwise Learning for Efficient Paper Quality Estimation [58.30936615525824]
  本稿では,紙の品質評価のための非バイアスで効率的なフレームワークであるNAIPv2を提案する。 NAIPv2は、レビューアレーティングの不整合を低減するために、ドメイン年グループ内でペアワイズ学習を採用している。 これはペアワイズ比較に基づいてトレーニングされるが、デプロイ時に効率的なポイントワイズ予測を可能にする。
  論文  参考訳（メタデータ） (2025-09-29T17:59:23Z)
• A Contrastive Learning-Guided Confident Meta-learning for Zero Shot Anomaly Detection [17.73056562717683]
  CoZADは、新しいゼロショット異常検出フレームワークである。 ソフト・インテリジェンス・ラーニングとメタラーニングとコントラスト的特徴表現を統合している。 7つの産業ベンチマークのうち6つで既存の手法を上回ります。
  論文  参考訳（メタデータ） (2025-08-25T09:27:31Z)
• Efficient Safety Alignment of Large Language Models via Preference Re-ranking and Representation-based Reward Modeling [84.00480999255628]
  大規模言語モデル(LLM)の安全性アライメントのための強化学習アルゴリズムは,分散シフトの課題に直面している。 現在のアプローチでは、ターゲットポリシーからのオンラインサンプリングを通じてこの問題に対処するのが一般的である。 モデル固有の安全判断能力を活用して報酬信号を抽出する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-13T06:40:34Z)
• Privacy-Preserved Automated Scoring using Federated Learning for Educational Research [1.2556373621040728]
  本稿では,教育評価の自動評価のための統合学習(FL)フレームワークを提案する。 我々は,2つの最先端FL手法と集中学習ベースラインに対して,我々のモデルをベンチマークする。 その結果,本モデルが最も精度が高い(94.5%)ことが示唆された。
  論文  参考訳（メタデータ） (2025-03-12T19:06:25Z)
• Optimizing Transformer based on high-performance optimizer for predicting employment sentiment in American social media content [9.49688045612671]
  本稿では,Swarmインテリジェンス最適化アルゴリズムに基づくTransformerモデルの改良を行い,雇用関係のテキストコンテンツの感情を予測することを目的とする。 トレーニング期間中、モデルの精度は49.27%から82.83%に徐々に上昇し、損失値は0.67から0.35に低下した。 本稿では、ソーシャルメディア上での雇用関連テキストにおける感情認識の精度の向上だけでなく、重要な実践的意義も挙げる。
  論文  参考訳（メタデータ） (2024-10-09T03:14:05Z)
• Uncertainty for Active Learning on Graphs [70.44714133412592]
  不確実性サンプリングは、機械学習モデルのデータ効率を改善することを目的とした、アクティブな学習戦略である。 予測の不確実性を超えた不確実性サンプリングをベンチマークし、他のアクティブラーニング戦略に対する大きなパフォーマンスギャップを強調します。 提案手法は,データ生成プロセスの観点から基幹的ベイズ不確実性推定法を開発し,不確実性サンプリングを最適クエリへ導く上での有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-02T16:50:47Z)
• Uncertainty-Aware Instance Reweighting for Off-Policy Learning [63.31923483172859]
  本研究では,不確実性を考慮した逆確率スコア推定器 (UIPS) を提案する。 実世界の3つのレコメンデーションデータセットを用いた実験結果から,提案したUIPS推定器の有効サンプル効率が示された。
  論文  参考訳（メタデータ） (2023-03-11T11:42:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。